تشهد الرياضيات ثورة جديدة بفضل التقدم الملحوظ الذي حققته نماذج اللغات الضخمة (LLMs). إذ بات بإمكانها تقديم حلول لمشاكل رياضية معقدة، بما في ذلك تلك التي ظل العلماء يبحثون عنها لعقود. إن هذا التطور لا يقتصر فقط على حل المسائل ولكن يفتح أمامنا أبواباً جديدة لتوسيع قاعدة المعرفة الرياضية بطريقة غير مسبوقة.

بينما يمكن لهذه النماذج إظهار فرضيات وبراهين جديدة، فإن السؤال الذي يطرح نفسه: هل هذه المعرفة الرياضية الجديدة ذات قيمة أو حتى مثيرة للاهتمام؟ في هذا السياق، قام الباحثون بتعريف مفهوم "الاهتمام الداخلي" للبرهان الرياضي، والذي يعتمد على النسبة بين طول البرهان وطول البيان. أظهرت النتائج علاقة قوية بين هذا المقياس ومقياس خارجي يتعلق بفائدة البرهان في التطبيقات العملية.

استند الباحثون إلى صعوبة البرهان بناءً على مجموعة من الافتراضات لتطوير نموذج بحجم 27 مليار معلمة، أثبت كفاءته في توقع صعوبة البراهين بشكل أدق من النماذج العامة الأخرى. كما أن تحسين هذا المقياس جعل النموذج قادراً على إنتاج فرضيات مثيرة للاهتمام مع تقليل التداخل بشكل ملحوظ مع المكتبات الرياضية الأخرى.

تتيح الأنظمة التي تم تطويرها إمكانية إنشاء فرضيات جديدة، واختيار الأكثر إثارة من بينها، وبناء مكتبة رياضية ذاتية التوسع. يوفر هذا النظام إشارة عملية وقابلة للقياس لترتيب الفرضيات وزيادة فعالية البحث عن البراهين داخل المكتبات الرياضية الرسمية، مما يعزز قدرة الذكاء الاصطناعي على التفاعل مع الرياضيات بطرق مبتكرة.

إجمالاً، يمثل هذا الإطار مساراً نحو مكتبات رياضية تتمتع بالتحقق الذاتي بواسطة الآلات، قادرة على اختيار البيانات القيمة دون الاعتماد على أهداف بشرية. كيف يمكن أن يغير هذا التطور النظرة إلى الذكاء الاصطناعي في الرياضيات؟ شاركونا آرائكم في التعليقات!